پيش‌بيني ريسك ورشكستگي شركت‌ها مبتني بر صورت جريان وجوه نقد با استفاده از شبكه عصبي عددي‌ساز بردار يادگير

Bankruptcy risk forecasting of companies based on cash flow statement using learning vector quantization neural network

پژوهش‌گران بسياري، به پيش‌بيني ورشكستگي با استفاده از متغيرهاي متعدد و روش‌هاي گوناگون پرداخته‌اند. با پيش‌بيني بحران مالي شركت‌ها، مي‌توان برنامه‌ريزي لازم را جهت جلوگيري از ورشكستگي آنها انجام داد. لذا يافتن روش‌هايي براي پيش‌بيني بحران كه قبل از ورشكستگي اتفاق مي‌افتد، بسيار حائز اهميت بوده كه در اين زمينه اطلاعات حسابداري نقش بسزايي دارد. هدف اين تحقيق استفاده از شبكه عصبي عددي‌ساز بردار يادگير در طبقه‌بندي ريسك ورشكستگي شركت‌هاي بورس اوراق بهادار تهران طي سال‌هاي 1395 تا 1400 است. بنابراين پس از جمع‌آوري داده‌ها از بورس اوراق بهادار تهران، داده‌هاي 250 شركت جمع‌آوري شد كه از اين تعداد 175 شركت سالم و 75 شركت باقي‌مانده ورشكسته مالي بودند. در مرحله پيش‌پردازش پس از نرمال‌سازي خطي با استفاده از شبكه عصبي عددي‌ساز بردار يادگير پيش‌بيني داده‌هاي ريسك ورشكستگي انجام شد و نتايج حاكي از دقت 97.6% و ميانگين مربعات خطاي 0.024 دارد. از طبقه‌بند k- نزديك‌ترين همسايه در جهت مقايسه نتايج با شبكه عصبي عددي‌ساز بردار يادگير استفاده شده است.

Many researchers have predicted bankruptcy using multiple variables and various methods. By predicting the financial crisis of companies, the necessary planning can be done to prevent their bankruptcy. Therefore, it is very important to find methods to predict the crisis that happens before bankruptcy, and accounting information plays a significant role in this field. The purpose of this research is to use the neural network of the learning vector quatizer in the bankruptcy risk classification of Tehran Stock Exchange companies during the years 1395 to 1400. Therefore, after collecting the data from the Tehran Stock Exchange, the data of 250 companies were collected, of which 175 companies were healthy and the remaining 75 companies were financially bankrupt. In the pre-processing stage, after linear normalization, the prediction of bankruptcy risk data was done using the learning vector quantizer neural network, and the results indicate an accuracy of 97.6% and a mean square error of 0.024. Bagging and k-nearest neighbor classifiers have been used to compare the results with the learning vector quantizer neural network.